Объект исследования – радиолокационные изображения. Цель работы – разработка и применение алгоритмов фильтрации мультипликативного спекл-шума на основе методов глубокого обучения для повышения качества радиолокационных изображений. Для фильтрации мультипликативного спекл-шума на радиолокационных изображениях спроектированы различные архитектуры искусственных нейронных сетей. Оценка работы полученных моделей проводилась при помощи специальных метрик качества на разработанном наборе данных. Также проведено сравнение нейросетевого подхода с классическими методами. Использовались открытые образовательные ресурсы и программы поиска и анализа информации. Использовались средства автоматизации разработки: Python. Применено программное обеспечение: MATLAB. Результатом является обученная модель нейронной сети, которая позволяет эффективно удалять мультипликативный шум с радиолокационных изображений, тем самым повышая их качество.

The given work is devoted to developing and apply algorithms for filtering multiplicative speckle noise based on deep learning methods to improve the quality of radar images. Various artificial neural networks have been designed to filter multiplicative speckle noise on radar images. The evaluation of the work of the obtained models was carried out using special quality metrics on the developed data set. The neural network approach is also compared with classical methods. Open educational resources and information search and analysis programs were used. Development automation tools were used: Python. Software used: MATLAB. The result is a trained neural network model that effectively removes multiplicative noise from radar images, thereby improving their quality.